基于DSP的学习控制在数控系统中的应用研究

为了满足数控系统高速度和高精度的需要,本文提出了一种用高性能的数字信号处理器（DSP）代替单片机,以提高数控系统的运行速度,同时介绍了一种迭代学习控制算法以提高系统的精度,并且简化了程序编写工作。     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

迭代学习控制在烟叶发酵系统中的应用

烟叶发酵是一个十分复杂的过程，其数学模型难以建立。为了对发酵室的温度、湿度进行理想的跟踪控制，提出了一处以寻求期望输入的迭代学习控制方法，在总结人工经验的基础上，给出了设计学习律的具体思路。仿真结果表明效果良好。     

迭代学习控制理论的现状与展望

论述了迭代学习控制的基本理论问题,着重讨论了迭代学习理论研究的现状及其存在的问题,提出了一些有待进一步研究的方 面。     

一种机器人轨迹跟踪的迭代学习控制方法

针对机器人轨迹跟踪问题,提出了一种带遗忘因子的迭代学习控制算法.给出了学习算法收敛的充分条件,该算法在不改变学习控制器结构的前提下,对要求跟踪的新的期望轨迹,利用系统的历史控制经验,合适地选择了初始控制输入,使系统的输出能尽快地收敛于新的期望轨迹,从而达到了改善系统跟踪性能的目的.仿真结果表明了该方案的有效性.     

多传感器静态数据分配问题的匈牙利解法

多目标多传感器数据关联中的分配问题一直是数据融合领域中的一个关键问题，众多的研究都提出了一系列不同的方法来解决这个NP-hard问题，本文提出了用2维分配问题的匈牙利解法来解决该问题，给出求解2－D，3－D分配的方法，经仿真计算表明，该法能较大程度地降低计算量，是一种实用性很好的方法，同时也值得向更高维的情况作进一步的研究和仿真比较。     

基于神经网络的学习控制及其在机器人中的应用

针对一类非线性系统的跟踪控制问题 ,首先提出了一种遗忘因子迭代学习控制算法 ,给出了算法收敛的充分条件 ,然后 ,利用神经网络原理 ,对要求跟踪的新的期望轨迹 ,在系统的历史控制经验基础上 ,用神经网络估计系统的期望控制输入 ,然后将其作为迭代学习控制器的初始控制输入 ,再由迭代学习律逐步改善控制输入 ,使系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的有效性。